Personliga AI-lösningar utmanar integriteten
För några år sedan presenterade Alexander Galozy, doktorand i informationsteknologi, sin licentiatuppsats om hur AI kan stödja sjukvården genom att minska arbetsbelastningen, sänka kostnaderna och stärka patienternas självbestämmande. I samband med att Alexander Galozy nu disputerar berättar han om framsteg och utveckling sedan dess.
Det finns en intressant väg framåt för ytterligare forskning för att hitta en bättre balans mellan prestanda och integritet.
Alexander Galozy
När Alexander Galozy skrev sin licentiatuppsats var den en del av iMedA-projektet, där forskargruppen utvecklade en mobilapplikation med skräddarsydda påminnelser och individanpassad information. För att hjälpa patienter att följa sin behandling och läkemedelsplan behöver mobilapplikationen veta mer om patientgruppen. Därför analyseras stora mängder befintliga elektroniska patientjournaler (EHR) med hjälp av modeller för maskininlärning. Alexander Galozy har sedan licentiatuppsatsen bland annat arbetat med att förbättra algoritmernas inlärningshastighet.
– Vi har testat att öka hastigheten vid vilken våra algoritmer mer effektivt utnyttjar tidigare insamlade data och mer intelligent analyserar mönster. Det har minskat antalet interaktioner som krävs för att erbjuda skräddarsydda lösningar i mobilapplikationen. Detta inte bara ökar användarengagemanget, utan stärker också möjligheten att ge patienterna mer effektiva och individualiserade interventioner, säger Alexander Galozy.
Svårt med balans mellan prestanda och integritet
Tillsammans med sina forskarkollegor har Alexander Galozy också undersökt integritetsproblem gällande användardata (i till exempel patientjournaler) genom att analysera hur effektiva enkla så kallade brusadditiva metoder är för att bevara integritet för användardata i ett rekommendationssystem. Ett rekommendationssystem är ett IT-stödsystem som använder AI-algoritmer på stora datamängder för att ge förslag och rekommendationer till slutanvändaren, till exempel en läkare. Genom att lägga till brus hoppades forskarna kunna maskera och bevara privata data om enskilda patienter.
– Rekommendationssystemet är inte olikt något som du skulle använda i mobilsjukvård för att erbjuda digitala interventioner. Vi har funnit att dessa brusadditiva metoder tyvärr inte är tillräckliga för att helt skydda integriteten. De kan dessutom förstöra för mycket av informationen, säger Alexander Galozy, men öppnar samtidigt upp för ny forskning:
– Det finns en intressant väg framåt för ytterligare forskning för att hitta en bättre balans mellan prestanda och integritet.
AI-lösningar för personlig vård
Alexander Galozy tror att mobilsjukvård kommer att bli allt viktigare i framtiden när allt fler blir allt äldre. Han hoppas att hans forskning kommer att underlätta tillämpningen av sannolikhetsmetoder i utvecklingen av algoritmer och applikationer, mer specifikt Bandit-metoder, som kan hjälpa till med förslag, uppskattningar och val. Alexander Galozy tror att detta kommer att vara användbart inte bara inom mobilsjukvård utan även inom andra områden:
– Det möjliggör för patienter att få bra behandlingar och insatser som är mer anpassade utefter deras behov – precis när de behöver det. Dessutom tror jag att ämnet integritet och hur det påverkar prestanda inom Bandit-forskningen håller på att växa och vi vet ännu inte så mycket. Med min forskning har vi tagit ett litet steg framåt för i frågan om integritet inom detta område, något som är mycket relevant i dag och med all säkerhet kommer att bli det i framtiden.
Text och bild: ANNA-FRIDA AGARDSON
Toppbild: iSTOCK